[论文解读] Reconstruction of Sparse and Nonsparse Signals from a Reduced Set of Samples

Ljubiša Stanković, Isidora Stanković|arXiv (Cornell University)|Dec 6, 2015

Sparse and Compressive Sensing Techniques参考文献 6被引用 6

一句话总结

本文针对使用压缩感知从减少的随机采样测量中重建稀疏与非稀疏信号，进行了理论分析。推导了当将稀疏信号重建算法应用于非稀疏信号时，由于缺失采样导致的均方误差（MSE）的闭式表达式，表明该误差取决于稀疏度、可用样本数和输入噪声，当所有样本均存在时误差为零。

ABSTRACT

Signals sparse in a transformation domain can be recovered from a reduced set of randomly positioned samples by using compressive sensing algorithms. Simple re- construction algorithms are presented in the first part of the paper. The missing samples manifest themselves as a noise in this reconstruction. Once the reconstruction conditions for a sparse signal are met and the reconstruction is achieved, the noise due to missing samples does not influence the results in a direct way. It influences the possibility to recover a signal only. Additive input noise will remain in the resulting reconstructed signal. The accuracy of the recovery results is related to the additive input noise. Simple derivation of this relation is presented. If a reconstruction algorithm for a sparse signal is used in the reconstruction of a nonsparse signal then the noise due to missing samples will remain and behave as an additive input noise. An exact relation for the mean square error of this error is derived for the partial DFT matrix case in this paper and presented in form of a theorem. It takes into account very important fact that if all samples are available then the error will be zero, for both sparse and nonsparse recovered signals. Theory is illustrated and checked on statistical examples.

研究动机与目标

• 分析在使用稀疏信号恢复算法处理非稀疏信号时，缺失采样对信号重建精度的影响。
• 量化在部分DFT矩阵背景下，缺失采样在重建过程中引入的均方误差（MSE）。
• 研究缺失采样与加性输入噪声在压缩感知中对重建精度的联合影响。
• 为在减少采样条件下，稀疏与非稀疏信号的重建误差建立理论边界。
• 通过统计模拟和数值示例验证理论发现。

提出的方法

• 使用部分DFT矩阵作为测量矩阵，以建模频域中的减少采样。
• 将专为稀疏信号设计的ℓ1-最小化稀疏恢复算法应用于非稀疏信号。
• 推导一个定理，将重建误差的MSE表示为信号稀疏度K、可用样本数M、总信号长度N和输入噪声方差σ²的函数。
• 误差模型同时考虑非稀疏分量的能量（‖X − XK‖₂²）和加性噪声（σ²），并引入缺失采样校正因子（N−M)/M。
• 使用合成信号（其分量呈几何级数分布）进行蒙特卡洛模拟，验证理论MSE。
• 将理论SNR预测与模拟得到的实测SNR进行比较，以确认误差模型的准确性。

实验结果

研究问题

• RQ1 当使用稀疏信号恢复算法和减少采样集对非稀疏信号进行重建时，引入的精确均方误差是多少？
• RQ2 重建误差如何依赖于可用样本数、信号稀疏度和输入噪声功率？
• RQ3 在何种条件下，即使对于非稀疏信号，重建误差也会减少至零？
• RQ4 缺失采样与加性噪声的组合如何影响重建信号中的信噪比（SNR）？
• RQ5 理论MSE模型能否准确预测将稀疏恢复算法应用于非稀疏信号时的性能？

主要发现

• 使用稀疏恢复算法重建非稀疏信号时的均方误差由公式给出：MSE = K(N−M)/M‖X−XK‖₂² + (K/M)Nσ²，其中K为稀疏度，M为可用样本数，N为总长度，σ²为输入噪声方差。
• 当所有样本均可用（M = N）时，缺失采样引起的误差消失，导致MSE为零，无论信号是否稀疏。
• 对于K = 4且M = 64的信号，理论SNR为23.12 dB，实测SNR为23.12 dB，证实了模型的准确性。
• 当输入噪声方差σ² = 2且M = 128时，理论SNR为14.33 dB，实测SNR为14.50 dB，表明两者高度一致。
• 当M = 64时，噪声导致的SNR退化量为ΔSNR_theor = −6.085 dB，展示了模型的预测能力。
• 误差模型正确捕捉了缺失采样与加性噪声的共同影响，其中主导项为非稀疏分量能量乘以(N−M)/M的缩放因子。